2019/08/23 as ～ as 考 (1) ～に入る最多語彙は？

2019/08/23 as ～ as 考 (1) ～に入る最多語彙は？

英語構文を学んでいて面白いのは、～がつくことだ。たとえば

a couple of ～		１対の～
be absorbed in ～		～に没頭している
come up with ～		～を思いつく

今回注目したのは
as ～ as		～と同じくらい

as ～ as 構文は as＋原級＋as という形なので、同等比較とか原級比較とか呼ばれる比較表現だ。

音声としては～の語彙に強勢が来ると、高い確率で予測できる。

では as に挟まれたところに入るのは、どんな語彙が多いのだろうか？

そこで世界最大規模のひとつと言われる BNC で調べてみた。

もくじ

as ～ as の共起語を BNC で調べた
as だけの共起語を BNC で調べた
as ～ as に入る語彙収集用アプリの作成へ
結論： as ～ as に入る最多語彙は
おまけ：

..[↓] 1
1	as ～ as の共起語を BNC で調べた	もどるもくじへ

世界最大規模のコーパス BNCweb をひらいて "as * as" を検索した。

as と as の間に入る単語の探索なのだが、やり方がわからなかった。そこで、左右のスパンを１単語とし、頻度順に並べてみた。

結果が下の図だ。

拡大

縦の欄の２番目が Word で as * as の左右にあった単語
出現頻度の多い順に並んでいる。使ったコーパスは spoken

機能語に交じって、上から１８番目にそれらしい "well" を見つけたので、用例を表示させてみた。それが次の図

拡大

query： as * as; span: 1-1; texts: spoken; 5645 hits;

黒の太字 well は、as ～ as の左か右の外にあることから、当てが外れた。as と as の間にある～の位置は検索対象外なのだった。

それでも、中央の青の太字部分をざっと見れば、soon, long, far, well などが見て取れる。

しかしこれは as ～ as でヒットした 5,645 件のほんの一部だ。こんな調子であと100ページ以上を流し見るのは徒労だ。何より結果を数値で共有できない。

..[↑][↓] 2
2	as だけの共起語を BNC で調べた	もどるもくじへ

中央の青字部分のだけ、つまり as ～ as の～部分だけの統計処理ができればいいのだが・・・そうだ as だけで検索すれば何かあるかもしれない。

そう思って検索した結果が下の図だ。

拡大

query： as; span: 1-1; texts: spoken; 43079 hits;

頻度の高い順に上から well, a, i, you, it, far, the, long,,, と並んだ。

well, far, long, soon, much,,, はいかにも as ～ as の～に入りそうな語彙だ。

as ～ as に入る最大語彙は well の可能性が高いと読み取れる結果だ。

しかし a, i, you,,, など as ～ as の真ん中に入りそうにない語彙も混じっている。

つまり今回取得したのは～ as ～ as ～の３か所の～に入る語彙リストなのだ。余分な情報（雑音）が多すぎた。

いいとこまで行ったと思ったが、ここでとん挫。

..[↑][↓] 3
3	as ～ as に入る語彙収集用アプリの作成へ	もどるもくじへ

しかし悔しい。何とかしたい！

そこで as ～ as に入る語彙収集用アプリを作成することにした。ただし一からではなく、自作の日英対訳コーパス・CORPORA に組み込むことにした。

基本設計で書いたコードは朝からの１日作業でうまく動作するまでになった。しかしその後は、例によって細かいところを詰めるのに２週間以上かかってしまった。

仕上がった結果が次の図だ。

拡大

コーパス： Seleaf。検索語： as ~ as。ヒット数： 222。動画：非表示。
共起フィルタ一覧取得

赤字と緑背で彩色された as long as がずらりと縦に並んでいる。実に壮観である。

スクロールして下を見ていけばよいのだが、膨大なので別の文書（pdf）にしておいた。下はその外観図。

この図では as ～ as に入る頻度の高い１７個の単語を彩色表示させている。

その部分の拡大図を以下に添える。

緑やオレンジで彩色されたところに、as と as で挟まれた位置にあった単語が頻度順に集計されている。左端縦の数列が順位で、右端縦が度数になっている。

最大が LONG で３２個、次が WELL で２５個、以下 SOON ２５個、MUCH １９個、GOOD １５個と続く。その下に FAR １５個、BAD ５個が見えている。

ヒット総数が２２２個なので、LONG、WELL、SOON の上位３つで全体の４割を占めていることがわかった。

ところで、ここまでは CORPORA 搭載コーパスのうち映画コーパス・Seleaf の結果である。そこで講演コーパス・TED で検索してみたらどうなるかもやってみた。TED コーパスは容量が Seleaf の１５倍（語数換算）なので統計的信頼性が高くなる。

結果はほぼ似ていた。

拡大

コーパス： TED Talks。検索語： as ~ as。ヒット数： 2,529。動画：非表示。共起フィルタ一覧取得。

最大が WELL で３２６個、次が MUCH で２８０個、以下 LONG １８９個、SOON １６３個、FAR １５０個と続く。その下に MANY １０５個、GOOD ５８個、FAST ４０個が見える。

ヒット総数が２,５２９個なので、上位３つで全体の３分の１を占めていることがわかった。

この節で使った機能の操作説明は

as ～ as 考 (5) as ～ as の共起語を調べるに書いてある。

こうして、念願の課題 "as ～ as に入る語彙収集" が解決した。

..[↑][↓] 4
4	結論： as ～ as に入る最多語彙は	もどるもくじへ

上位を一覧表で示す

順位	Seleaf	頻度	順位	TED Talks	頻度
1	LONG	32	1	WELL	326
2	WELL	25	2	MUCH	280
	SOON	25	3	LONG	189
4	MUCH	19	4	SOON	163
5	FAR	15	5	FAR	150

総数		222			2,529

総数： as ～ as 構文を含む字幕の数

映画コーパス Seleaf では最多語彙が LONG、講演コーパス TED Talks では最多語彙が WELL となった。

一つには、会話では as long as、プレゼンでは as well as が最大と見ることができる。
他方では、TED の方が分母が一桁多いので、一般には as well as が最大と見ることもできる。
いずれにしても、会話にしろ、プレゼンにしろ、上位５位までは同じだとは言える。

少なくとも指導的には、以下のようになるのではないだろうか。

まず、well と long を押さえつつ
次に、much, soon,far が使えればよい

しかし、ことはそう単純でないことが、この先見えてくることになる。

..[↑][↓] 5
5	おまけ：	もどるもくじへ

映画とTV番組の日英対訳コーパスでは最大規模と称される Japanese-English Subtitle Corpus（JESC 2018-2019）で調べたところ、以下の結果を得た。

順位	JESC	頻度
1	soon	1,653
2	long	1,619
3	much	816
4	well	658
5	far	679

	総数	8,650

こちらは as ～ as の検索で～に語彙が１つだけに限定したので Seleaf や TED コーパス検索と条件（～には任意の数の語彙）が違うが、大きな傾向を知ることができた。

会話では soon, long が上位に来る点で Seleaf と同じ傾向であった
プレゼンでは well, much が上位に来ることと対比することができそうだ

JESC は、CORPORA と同じく日英対訳であり、しかもクリエイティブ・コモンズ (CC) ライセンスの元で提供されているので、近い将来、CORPORA に組み込むことを検討したい。

日英対訳コーパス規模の比較

コーパス		字幕数
Seleaf		43,659
TED Talks		661,787
JESC		2,801,388

..[↑][↓] 6

シリーズ日英対訳コーパス・CORPORA / as ～ as 考

..[↑] 7

2019.08.23 田淵龍二 TABUCHI, Ryuji